Aplicar técnicas de gestión personal para adaptarse de mejor manera al entorno actual de las organizaciones.

El taller está especialmente diseñado para quienes ingresan a un diplomado de Clase Ejecutiva UC.

Ciertamente, los constantes cambios que se viven hoy en día, obligan a los profesionales a mantenerse actualizados. Vivimos en una época de alta volatilidad y se hace necesario ser flexible. Es así como la crisis que explotó en 2020 nos mostró la necesidad de desarrollar habilidades asociadas a los entornos virtuales de trabajo.

En este taller, el participante aprenderá a cómo gestionar su marca personal en redes sociales. También, técnicas de oratoria digital para la realización de videoconferencias. Y, además, estrategias para gestionar bien el tiempo y conocimientos sobre inteligencia emocional.

El taller busca entregar habilidades transversales a todos los alumnos de los diplomados de Clase Ejecutiva UC. Se realizarán controles de lectura, foros de discusión y clases sincrónicas durante su desarrollo.

• Marca personal
• Cómo construir una marca personal digital
• Acciones premium para potenciar nuestra personal branding

• Reuniones virtuales y webinars
• El contenido de las sesiones
• Oratoria digital
• Técnicas básicas de oratoria para entornos digitales

• Conócete a ti mismo
• Procrastinación
• Los “ladrones del tiempo”
• Priorización y matriz de Eisenhower
• Buenas prácticas de gestión del tiempo

• Modelo de inteligencia emocional
• Conciencia de uno mismo
• Conciencia social
• Conciencia organizacional
• Gestión de las relaciones
• ¿Cómo desarrollar estas competencias?

• Motivación
  • De los datos a la información
  • Datos, información y programación ¿Cómo conviven hoy estos elementos en el mundo laboral?
  • ¿Qué es la programación?
  • Aplicaciones prácticas
  • La programación en el mundo laboral y cómo debe convertirse en un hábito
• Secuencias de comandos en Python
• Operaciones básicas
• Creación y asignación de variables
• Operaciones lógicas

• Control de Flujo:
  • If
  • Else
  • Elif
  • Uso en conjunto
• Ciclos:
  • While
  • For

• Tipos de datos: Enteros, decimales, textos y listas.
• “Strings”
  • ¿Qué es un string?
  • Funciones básicas de un string
  • Funciones avanzadas de un string
• Funciones
  • ¿Qué es una función?
  • ¿Por qué ocupar funciones?
  • Declaración y uso de funciones
• Listas
  • Creación de listas
  • Obtener elementos
  • Añadir elementos o quitar elementos
  • Operaciones sobre listas

• Listas de listas
• Archivos
  • Cómo se interactúa con archivos y para qué sirven
  • Leer archivos
  • Escribir archivos
• Procesamiento de datos
  • Carga masiva
  • Edición masiva
  • Ejemplos prácticos

• Listas y listas de listas
• Manipulación de listas
• Funciones sobre listas
• Diccionarios
• Operaciones sobre diccionarios
• Aplicaciones de diccionarios
• Aplicaciones con listas y diccionarios
• Tuplas como tipo de dato inmutable
• Operaciones sobre tuplas
• Combinando listas, tuplas y diccionarios

• Concepto de función
• Definición de funciones
• Parámetros y valores de retorno
• Importación y llamado de módulos
• Invocación de funciones y scope
• Parámetros con nombre y parámetros por defecto
• Funciones recursivas
• Aplicación de funciones

• Variables y transformaciones

• Variables y efecto del tamaño
• Funciones de probabilidad (PMF)

• Distribuciones continuas
• Familia exponencial
• Funciones de distribución acumulada (CDF)

• Distribuciones continuas
• Gráficas distribución lognormal
• Diagramas de dispersión
• Correlación

• Covarianza
• Testeo de hipótesis
• Diferencia de medias
• Formalización

• Testeo de correlación y testeo de proporciones
• Mínimos cuadrados lineales
• Introducción a las series de tiempo

Un profesor ayudante interactúa directamente con un grupo reducido de participantes para ayudar a resolver problemas técnicos remanentes, como por ejemplo la correcta instalación de herramientas de software y el uso apropiado de algunas herramientas. Asimismo, para la preparación de set de datos para la reducción de dimensionalidad, y guiar el trabajo en las diferentes técnicas de reglas de asociación, algoritmos de clasificación, clustering y medidas de similaridad.

Los alumnos deben aplicar los conocimientos aprendidos en tres trabajos o pequeños proyectos concretos. El último proyecto suele tener características integradoras y, por lo tanto, es un poco más largo y completo que los anteriores. Aun cuando el trabajo se entrega en forma individual y no grupal, los alumnos pueden conversar y discutir sobre sus ideas de soluciones con sus compañeros, antes de desarrollar y entregar el proyecto. Los miniproyectos estarán enfocados en: procesar y consolidar datos aplicando ETL (extracción, transformación y carga de datos); utilizar el algoritmo Random Forest y KNN para dos casos propuestos, y realizar el preprocesamiento de una base de datos propuesta, aplicando dos algoritmos de los vistos en clases para así mostrar sus rendimientos a través de evaluar al clasificador y presentar las métricas, pudiendo establecer una comparación de rendimiento entre los dos algoritmos elegidos.

• Preprocesamiento de datos
• Selección y transformación de datos

• Árbol de decisión
• KNN
• Random Forest

• Clustering
• K-means
• Clustering jerárquico

• Modelo de entrenamiento
• Métricas de evaluación

• Análisis visual de series de tiempo
• Componentes de una serie de tiempo
• Estacionariedad de una serie de tiempo
• Tratamiento de una serie de tiempo no estacionaria
• Tipos de modelos de series de tiempo
• Modelos MA

• Minería de texto
• Web scraping

• Aprendizaje por refuerzo
• Métodos de Monte Carlo

• Funciones de valor
• Q-Learning

• Estructura de una red neuronal artificial
• Entrenamiento de redes neuronales artificiales
• Otros tipos de redes neuronales

• Modelos fundacionales
• Inteligencia artificial generativa